Mówię, maszyna słyszy – jak AI zamienia głos w tekst

Konferencja w Brukseli. Przy okrągłym stole siedzi trzydziestu ministrów z dwudziestu siedmiu krajów. Jeden zaczyna mówić po polsku. Zanim skończy zdanie, w słuchawkach pozostałych delegatów brzmi już angielski, francuski, niemiecki – każdy w innym języku, wszystkie niemal jednocześnie. W szklanych kabinach za szybą siedzą tłumacze symultaniczni – ludzie z wyjątkowym darem słyszenia, rozumienia i mówienia w tym samym czasie, jakby ich mózg był podzielony na dwa niezależnie pracujące tory. To jedna z najtrudniejszych umiejętności, jakie człowiek może opanować. Szkoły kształcące takich specjalistów trwają latami, a naturalna selekcja jest brutalna: nie każdy jest do tego stworzony.

I właśnie o tych ludzi – i o to, co się dzieje z ich głosem w słuchawce telefonu, zanim dotrze do modelu językowego – będzie ten artykuł.

Skąd model wie, co powiedziałeś?

Przypomnijmy to, o czym pisaliśmy wcześniej w tej serii: duże modele językowe, takie jak ChatGPT czy Claude, myślą liczbami. Nie znają liter ani słów w ludzkim rozumieniu – operują na tokenach zamienionych w wektory liczb. Jednak jeszcze zanim cokolwiek trafi do modelu językowego, twoje słowa muszą zostać… usłyszane. I tu pojawia się nasz tytułowy kolega.

Kiedy mówisz do mikrofonu, twój głos to w istocie fala ciśnienia powietrza. Mikrofon zamienia ją w sygnał elektryczny, a ten – po zapisaniu w pamięci komputera – staje się ciągiem liczb: próbek dźwięku rejestrowanych kilkadziesiąt tysięcy razy na sekundę. Z tej ciągłej rzeki liczb trzeba teraz wyłowić słowa. To zadanie rozpoznawania mowy – i zajmuje się nim osobny, wyspecjalizowany model: system ASR (Automatic Speech Recognition, automatyczne rozpoznawanie mowy).

Najsłynniejszym z takich systemów jest dziś Whisper – model stworzony przez OpenAI i udostępniony na otwartej licencji. Nie jest to ten sam model co ChatGPT. To jego „kolega od słuchu” – narzędzie wytrenowane na setkach tysięcy godzin nagrań z całego świata, w ponad stu językach. Jego jedynym zadaniem jest jedno: zamienić dźwięk na tekst.

Jak Whisper słyszy?

Whisper nie analizuje dźwięku tak, jak robi to ludzkie ucho – od razu rozpoznając głoski i sylaby. Robi to inaczej, i to na dwóch etapach.

Etap pierwszy: spektrogram. Surowy sygnał dźwiękowy zostaje przekształcony w obraz podobny do wykresu pogody – oś pozioma to czas, oś pionowa to częstotliwości dźwięku, a kolor każdego punktu mówi, jak głośna jest dana częstotliwość w danej chwili. Ludzkiemu głosowi odpowiada charakterystyczny wzór: samogłoski mają swoje „pasy”, spółgłoski – swoje szarpane przebłyski. Ten obraz to tzw. spektrogram mel – i to właśnie on trafia do modelu neuronowego.

Etap drugi: transformacja. Spektrogram jest analizowany przez sieć neuronową o architekturze transformera – tej samej rodziny, której używają modele językowe. Sieć „patrzy” na wzory w spektrogramie i na tej podstawie przewiduje, jakie słowa zostały wypowiedziane. Nie słyszy głosek jedna po drugiej – analizuje całe kawałki nagrania jednocześnie, szukając charakterystycznych wzorców.

Efekt końcowy to tekst. Ten tekst wędruje dalej – do modelu językowego, który go rozumie, odpowiada, tłumaczy lub analizuje.

Ale jak to działa w czasie rzeczywistym?

Tu jest haczyk. Whisper w swojej podstawowej wersji nie jest narzędziem do transkrypcji na żywo – przetwarza nagranie po jego zakończeniu. Dla rozmowy telefonicznej trwającej godzinę to bez znaczenia. Ale kiedy chcesz, żeby asystent odpowiedział ci natychmiast – gdy dyktujesz wiadomość albo rozmawiasz z chatbotem głosowym – potrzebujesz czegoś szybszego.

Dlatego obok klasycznego Whispera powstały jego zoptymalizowane odmiany i zupełnie nowe architektury. Whisper Turbo jest sześciokrotnie szybszy od oryginalnej wersji przy zaledwie nieznacznie gorszej dokładności. Systemy firm takich jak Deepgram czy AssemblyAI osiągają opóźnienie między twoim słowem a gotowym tekstem na poziomie trzystu do pięciuset milisekund – mniej niż pół sekundy. Twój mózg potrzebuje podobnego czasu, żeby przetworzyć to, co właśnie usłyszał.

Jak to jest możliwe? System nie czeka, aż skończysz zdanie. Przetwarza dźwięk strumieniowo – w małych fragmentach, jeden za drugim, jak montażysta składający film ze scen, które dopiero się kręcą. Kiedy mówisz „Jutro jadę do…”, system już ma gotowe „Jutro jadę do” i czeka na kolejne słowo – żeby je dołączyć, a czasem skorygować to, co wcześniej zakładał.

Skąd wie, w jakim języku mówisz?

To jeden z najpiękniejszych kawałków tej układanki. Whisper nie wymaga, żebyś z góry zadeklarował język. Analizuje pierwsze sekundy mowy i sam identyfikuje język – z puli ponad stu możliwości. Radzi sobie przy tym nie tylko z językami głównego nurtu, ale też z mniej popularnymi, w tym z wieloma językami afrykańskimi i azjatyckimi, choć – co uczciwie przyznają jego twórcy – jakość spada dla języków słabo reprezentowanych w danych treningowych.

Osobnym wyzwaniem są akcenty. Badania porównawcze z 2025 roku pokazały zaskakujący wynik: gdy mówca ma wyraźny akcent, nie Whisper, lecz Google Gemini radził sobie najlepiej. Dzieje się tak dlatego, że Gemini to model multimodalny z rozbudowaną wiedzą o świecie – rozumie kontekst i może domyślić się słowa ze zdania nawet wtedy, gdy jego brzmienie jest nieco inne niż w danych treningowych. Specjalistyczne narzędzia do terminologii medycznej czy prawniczej sprawdzają się lepiej w systemach zintegrowanych ze słownikiem dziedzinowym.

Tłumacz symultaniczny: człowiek w słuchawkach

Wróćmy do tej szklanie kabiny w Brukseli.

Dobry tłumacz symultaniczny to fenomen neurobiologiczny. Słyszy zdanie w jednym języku, tłumaczy je w głowie – często zanim jeszcze padnie ostatnie słowo oryginału, bo zna gramatykę na tyle, żeby przewidzieć koniec zdania – i jednocześnie mówi w innym języku, starając się nie wyprzedzać mówcy o więcej niż kilka sekund, bo inaczej straci wątek. Do tego musi rozumieć kontekst polityczny, kulturowy, a czasem wyczuć żart czy ironię i znaleźć dla nich ekwiwalent w innej kulturze.

Czy AI może to zastąpić?

Wnioski są rozbieżne – i szczere.

W lipcu 2025 roku badacze Microsoftu opublikowali analizę wskazującą zawody najbardziej podatne na automatyzację przez AI. Na samym szczycie listy znaleźli się tłumacze i tłumaczki. Zwykłe tłumaczenie dokumentów, stron internetowych, materiałów marketingowych – tu AI już de facto przejęła rynek. Jeden z rozmówców BBC opisał utratę 70 procent dochodów w ciągu roku. Inny tłumacz relacjonował, że w czerwcu 2025 roku przez cały miesiąc nie dostał ani jednego zlecenia – wcześniej pracował sześćdziesiąt godzin tygodniowo.

Ale tłumaczenie symultaniczne to inny świat.

Światowa Organizacja Zdrowia przeprowadziła testy systemu AI do interpretacji na swoich posiedzeniach. Na dziewięćdziesiąt prób ocenę pozytywną – choć z zastrzeżeniami co do błędów reputacyjnych – uzyskała jedna. W jednym z testów system pomylił Hamas z nazwą agencji rządowej USA. WHO uznała, że AI do interpretacji w ważnych spotkaniach wciąż jest na etapie eksperymentalnym.

Badania z Oregon State University pokazały jednak, że modele klasy Simul-LLM – trenowane specjalnie pod symultaniczne tłumaczenie mowy – potrafią już rywalizować z ludzkimi interpretatorami w niektórych scenariuszach. Osiągają to dzięki strategii „czekaj na k słów”: model startuje z tłumaczeniem po otrzymaniu kilku pierwszych słów wypowiedzi, nie czekając na koniec zdania – tak jak robi to człowiek.

Kto ma się naprawdę bać?

Odpowiedź ekonomistów z MIT jest chłodna i precyzyjna. Wzrost podaży taniego tłumaczenia AI obniży ceny w całej branży. Ucierpi środek rynku – tłumacze dokumentów, lokalizatorzy, specjaliści od treści marketingowych. Elita – dyplomatyczni interpretatorzy, tłumacze literatury pięknej, specjaliści od prawa i medycyny w sytuacjach wysokiego ryzyka – może pozostać poza zasięgiem maszyny dłużej niż reszta.

Dlaczego? Bo tam, gdzie liczy się nie tylko treść, ale i wyczucie momentu, kulturowa inteligencja emocjonalna i odpowiedzialność – AI wciąż robi kosztowne błędy.

I w tej jednej obserwacji jest coś głębszego. Języka uczymy się, żeby rozumieć siebie nawzajem. Najlepsi tłumacze to nie maszyny do kodowania słów – to ludzie, którzy rozumieją, co czuje mówca i co musi poczuć słuchacz. Na razie żaden spektrogram tego nie uchwyci.

Kolega od słuchu świetnie słyszy. Ale rozumieć – to jeszcze inna historia.

Dane techniczne: stan na kwiecień 2026 roku. Dokładność modeli ASR i ich latencja zmieniają się szybko wraz z kolejnymi wersjami oprogramowania.